关键词：机器人抓取检测;多目标抓取网络;深度学习;机械臂;目标检测
摘 要：针对非结构化环境中多目标抓取检测存在速度慢、效果差的问题，提出一种先目标检测后抓取检测的方法。在目标检测中，为了加快网络的运行速度，文中采用深度可分离卷积和坐标注意力机制对YOLOv5网络进行轻量化改进。在抓取任务中，设计了一种单阶段抓取位姿检测算法。首先，考虑到非结构化环境中存在的干扰，选用RGB-D图像作为抓取网络的输入数据，并选用GG-CNN作为主干网络；其次，为了加强抓取网络的特征提取能力，利用Inception-ResNet模块中不同大小卷积核的并联使用来拓宽网络感受野，同时无参三维注意力机制的融入使得网络更专注于抓取信息特征，抑制背景噪声信息；最后，使用抓取质量评估来对抓取框进行修正，并输出置信度和最高的抓取框。实验结果表明：轻量化的目标检测网络参数量为2 776 708,每秒帧数(frames per second, FPS)为102;改进后的抓取检测网络在公共Cornell数据集上，取得了96.57%的准确率，FPS为54.17。这说明2个网络能部署在机械臂上并较好地实现在多目标场景下的抓取任务，可以应用到实际工业生产中。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取